微软的万能格式转 Markdown 工具
来源：dev.to — 2026年7月
📋 概述
构建 LLM 应用时，数据往往散落在 PDF、PPTX、Word、Excel、图片等非结构化格式中。微软的 MarkItDown 是一个开源工具，能将几乎所有文件格式统一转换为 Markdown，这恰好是 LLM 最擅长理解和处理的格式，直接解决了 RAG 和 AI 应用中最棘手的"数据预处理"问题。
🔑 核心要点
- MarkItDown 支持将 PDF、PPTX、DOCX、XLSX、图片（OCR）、音频（转录）、HTML、CSV、JSON、ZIP 等格式转换为 Markdown
- 属于微软的 开源项目，轻量安装（pip install markitdown），即可在 Python 中直接调用
- 专为 LLM 管线设计——Markdown 是 LLM 最友好的格式，转换后可直接喂给 RAG 或微调流程
- 内置 OCR 和 语音转文字能力，图片和音频文件也能转换为结构化文本
- 极大简化了 AI 应用中的数据预处理环节，无需为每种文件格式单独编写解析器
💡 金句
你的数据被锁在几十种格式里——MarkItDown 做的就是一件事：把它们全部变成 LLM 最擅长的格式。
← 返回 Dev.to 首页